CN117454350A - 服务响应方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明公开了一种服务响应方法、装置、电子设备及存储介质。其中，该方法包括：响应于服务获取请求，确定与所述服务获取请求对应的目标对象；获取所述目标对象的对象关联数据，基于所述对象关联数据确定与所述目标对象对应的服务违约风险，其中，所述对象关联数据包括所述目标对象的对象图像数据和操作关联数据；基于所述服务违约风险确定与所述服务获取请求对应的服务响应数据。本技术方案，通过在接收到目标对象的服务获取请求之后，响应该服务获取请求之前，预测目标对象的服务违约风险，解决了相关技术中服务链路存在风险，易影响信息安全的技术问题，且能够基于服务违约风险灵活地有针对性地响应服务获取请求，有效地提高了服务的安全性。

Description

服务响应方法、装置、电子设备及存储介质

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种服务响应方法、装置、电子设备及存储介质。

背景技术

随着计算机技术的不断发展，各种各样的应用程序层出不穷。应用程序的信息安全也成为开发者与使用者日益关注的问题。应用程序的应用场景不同，其所涉及的信息也不尽相同。例如，在金融科技技术领域，其应用程序所提供的服务往往与用户的隐私数据以及财产安全息息相关，其服务安全显得尤为重要。

相关技术中，应用程序对于服务的安全仅停留于对用户的登录信息的检测。在成功进入应用程序后，用户即可使用应用程序所提供的各项服务。为了提升服务响应效率，一般在用户请求应用程序所提供的某项服务后，往往会立即为用户提供服务。但这种立即响应的服务链路很可能会存在风险，一旦产生风险，不但会影响信息安全，还可能会带来不可挽回的损失。

发明内容

本发明提供了一种服务响应方法、装置、电子设备及存储介质，以解决服务安全问题。

根据本发明的一方面，提供了一种服务响应方法，该方法包括：

响应于服务获取请求，确定与所述服务获取请求对应的目标对象；

获取所述目标对象的对象关联数据，基于所述对象关联数据确定与所述目标对象对应的服务违约风险，其中，所述对象关联数据包括所述目标对象的对象图像数据和操作关联数据；

基于所述服务违约风险确定与所述服务获取请求对应的服务响应数据。

根据本发明的另一方面，提供了一种服务响应装置，该装置包括：

服务请求模块，用于响应于服务获取请求，确定与所述服务获取请求对应的目标对象；

风险预测模块，用于获取所述目标对象的对象关联数据，基于所述对象关联数据确定与所述目标对象对应的服务违约风险，其中，所述对象关联数据包括所述目标对象的对象图像数据和操作关联数据；

服务响应模块，用于基于所述服务违约风险确定与所述服务获取请求对应的服务响应数据。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的服务响应方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的服务响应方法。

本发明实施例的技术方案，通过响应于服务获取请求，确定与所述服务获取请求对应的目标对象；获取所述目标对象的对象关联数据，基于所述对象关联数据确定与所述目标对象对应的服务违约风险，其中，所述对象关联数据包括所述目标对象的对象图像数据和操作关联数据；基于所述服务违约风险确定与所述服务获取请求对应的服务响应数据。本技术方案，通过在接收到目标对象的服务获取请求之后，响应该服务获取请求之前，增加了对目标对象的服务违约风险进行预测的操作，解决了相关技术中服务链路存在风险，易影响信息安全的技术问题，且能够基于服务违约风险灵活地有针对性响应服务获取请求，有效地提高了服务的安全性。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例一提供的一种服务响应方法的流程示意图；

图2是根据本发明实施例二提供的另一种服务响应方法的流程示意图；

图3是根据本发明实施例三提供的又一种服务响应方法的流程示意图；

图4是根据本发明实施例四提供的一种服务响应装置的结构示意图；

图5是实现本发明实施例的服务响应方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

可以理解的是，在使用本发明各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本发明所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。

例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本发明技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。

作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。

可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本发明的实现方式构成限定，其它满足相关法律法规的方式也可应用于本发明的实现方式中。

可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。

实施例一

图1为本发明实施例一提供了一种服务响应方法的流程图，本实施例可适用于对服务风险进行预判的情况，该方法可以由服务响应装置来执行，该服务响应装置可以采用硬件和/或软件的形式实现，该服务响应装置可配置于终端和/或服务器中。

如图1所示，本实施例的方法具体可包括：

S110、响应于服务获取请求，确定与所述服务获取请求对应的目标对象。

其中，所述服务获取请求可以理解为用于获取目标服务的请求。所述目标服务可以是在应用程序中触发的功能。示例性地，所述目标服务可以是以所述目标用户的信用为指标请求的服务。例如，在金融类应用程序中，所述目标服务可以是信贷类服务等。所述目标对象可以理解为请求使用所述目标服务的对象，或者，可以理解为所述目标服务的服务对象。

在本发明实施例中，所述服务获取请求中可以携带有目标对象的属性信息。进一步地，可以通过对所述服务获取请求进行解析，以获取所述服务获取请求中携带的所述目标对象。

S120、获取所述目标对象的对象关联数据，基于所述对象关联数据确定与所述目标对象对应的服务违约风险。

其中，所述对象关联数据可以理解为与所述目标对象相关联的数据。所述对象关联数据可以包括一个或多个维度的数据。具体地，所述对象关联数据可以包括所述目标对象的对象图像数据和操作关联数据。所述对象图像数据可以理解为所述目标对象的图像数据。具体地，所述对象图像数据可以是包括所述目标对象的一个或多个部位的图像数据。示例性地，所述对象图像数据可以是包括所述目标对象的面部和/或躯干部位的图像数据。所述操作关联数据可以包括但不限于与所述目标服务对应的历史服务数据和/或与所述目标对象对应的历史服务数据等。所述历史服务数据可以包括服务时间、服务项目以及服务详情数据等数据中的至少一种。所述服务违约风险可以理解为用于指示所述目标对象获取所述目标服务存在的信用风险的指标数据。

可选地，基于所述对象关联数据确定与所述目标对象对应的服务违约风险，包括：分别确定每个维度的所述对象关联数据；针对每个维度的所述对象关联数据，确定与所述对象关联数据对应的单维度特征数据；基于多个所述维度对应的所述单维度特征数据确定与所述目标对象对应的服务违约风险。

具体地，对多个所述维度对应的所述单维度特征数据进行特征融合，以得到融合后的目标识别特征；基于所述目标识别特征确定与所述目标对象对应的服务违约风险。或者，分别基于每个所述维度对应的所述单维度特征数据确定与所述目标对象对应的单特征违约风险；基于多个所述单特征违约风险确定与所述目标对象对应的服务违约风险。

其中，对多个所述维度对应的所述单维度特征数据进行特征融合，具体可以是，将多个所述维度对应的所述单维度特征数据进行拼接。示例性地，基于多个所述单特征违约风险确定与所述目标对象对应的服务违约风险，可以是，通过对多个所述单特征违约风险进行加权求和、求平均或者加权后求平均等方式，计算与所述目标对象对应的服务违约风险。

S130、基于所述服务违约风险确定与所述服务获取请求对应的服务响应数据。

其中，所述服务响应数据可以理解为针对所述服务获取请求所产生的反馈数据。所述服务响应数据可以包括反馈请求的目标服务数据、进行风险提示、发起人工审核以及执行拒绝服务的响应逻辑(如，反馈服务失败或无响应等)等响应中的至少一种。

可选地，确定与所述服务违约风险对应的目标风险等级，基于所述目标风险等级确定与所述服务获取请求对应的服务响应数据。

具体地，可包括下述操作中的至少一项：在所述服务违约风险为第一风险等级的情况下，展示与所述服务获取请求对应的目标服务页面；在所述服务违约风险为第二风险等级的情况下，生成与所述服务获取请求对应的违约风险提示信息，并将所述违约风险提示信息发送至目标终端；在所述服务违约风险为第三风险等级的情况下，生成与所述服务获取请求对应的服务失败提示信息，并将所述服务失败信息反馈至所述目标对象。其中，所述第一风险等级低于所述第二风险等级，所述第二风险等级低于所述第三风险等级。

本实施例的技术方案，通过响应于服务获取请求，确定与所述服务获取请求对应的目标对象；获取所述目标对象的对象关联数据，基于所述对象关联数据确定与所述目标对象对应的服务违约风险，其中，所述对象关联数据包括所述目标对象的对象图像数据和操作关联数据；基于所述服务违约风险确定与所述服务获取请求对应的服务响应数据。本技术方案，通过在接收到目标对象的服务获取请求之后，响应该服务获取请求之前，增加了对目标对象的服务违约风险进行预测的操作，解决了相关技术中服务链路存在风险，易影响信息安全的技术问题，且能够基于服务违约风险灵活地有针对性地响应服务获取请求，有效地提高了服务的安全性。

实施例二

图2为本发明实施例二提供的一种服务响应方法的流程图，本实施例在上述实施例的基础上，对服务违约风险的具体确定方式进行了细化。可选地，所述基于所述对象关联数据确定与所述目标对象对应的服务违约风险，包括：对所述对象图像数据进行特征提取，得到目标对象特征；对所述操作关联数据进行特征提取，得到目标操作特征；基于所述目标对象特征和所述目标操作特征确定与所述目标对象对应的服务违约风险。具体实施方式可以参见本实施例的说明。其中，与前述实施例相同或相似的技术特征在此不再赘述。

如图2所示，本实施例的方法具体可包括：

S210、响应于服务获取请求，确定与所述服务获取请求对应的目标对象。

S220、获取所述目标对象的对象关联数据，其中，所述对象关联数据包括所述目标对象的对象图像数据和操作关联数据。

在本发明实施例中，为了使得对象图像数据与违约风险预测的关联性更强，可选地，获取所述目标对象的对象图像数据，可包括：展示与所述服务获取请求对应的目标服务的服务交互信息；在所述目标对象输入与所述服务交互信息对应的反馈信息的过程中，获取所述目标对象的对象图像数据。其中，所述服务交互信息可以包括预设服务问题，输入与所述服务交互信息对应的反馈信息可以包括回答所述预设服务问题，等。

S230、对所述对象图像数据进行特征提取，得到目标对象特征。

在本发明实施例中，可以采用已有的特征提取算法对所述对象图像数据进行特征提取。示例性地，基于图像特征提取网络对所述对象图像数据进行特征提取，得到目标对象特征，其中，所述图像特征提取网络基于样本对象图像以及与所述样本对象图像对应的期望对象特征对预先建立的第一神经网络训练得到。示例性地，所述第一神经网络包括基于注意力机制的深度学习网络。采用本技术方案，能够从对象图像数据中自动快速精准且智能化地提取出目标对象特征，省事省力。

在基于图像特征提取网络对所述对象图像数据进行特征提取之前，还包括：获取样本对象图像，并确定与所述样本对象图像对应的期望对象特征；将所述样本对象图像输入至预先建立的第一神经网络中，得到模型输出特征；基于预设损失函数计算所述模型输出特征与所述期望对象特征之间的损失，基于所述损失调整所述第一神经网络的模型参数；在达到预设的训练结束条件的情况下，将所述第一神经网络作为图像特征提取网络。

其中，所述训练结束条件包括所述预设损失函数收敛，或者，所述第一神经网络的准确率达到预设准确率阈值，或者，训练迭代次数达到预设次数阈值等。所述第一神经网络的准确率可以通过多张测试对象图像对所述第一神经网络进行测试得到。

在本发明实施例中，采用注意力机制可以使神经网络专注于其特定的输入子集，将计算机资源分配给更重要的任务。因此，注意力机制可以使神经网络在执行任务时，更多地关注输入中的相关部分，更少关注不相关的部分。本发明实施例中，采用基于注意力机制的深度学习网络，能够将注意力机制网络输出的权重分布与期望输出结果进行乘积，得到更准确的特征表示。

可选地，所述对象图像数据至少包括所述目标对象的面部区域，相应地，所述目标对象特征包括面部特征数据。具体地，所述对所述对象图像数据进行特征提取，得到目标对象特征，包括：对所述对象图像数据中所述目标对象的面部区域进行分割，得到目标面部图像；对所述目标面部图像进行特征提取，得到所述目标对象的面部特征数据。采用面部特征数据可以更为丰富地反馈出所述目标对象的状态信息，使得在进行违约风险预测时，呢呢狗狗考虑到目标对象的本身状态，从而提升违约风险的预测准确率。

示例性地，对所述对象图像数据中所述目标对象的面部区域进行分割，包括：基于预设的图像分割算法对所述对象图像数据中所述目标对象的面部区域进行分割，其中，所述图像分割算法包括于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。具体采用哪种图像分割算法可以根据实际需求进行选择，在此并不做具体限定。

S240、对所述操作关联数据进行特征提取，得到目标操作特征。

与对所述对象图像数据进行特征提取的方式类似，可以采用已有的特征提取算法对所述操作关联数据进行特征提取。示例性地，基于操作特征提取网络对所述操作关联数据进行特征提取，得到目标操作特征，其中，所述操作特征提取网络基于样本操作数据以及与所述样本操作数据对应的期望操作特征对预先建立的第二神经网络训练得到，所述第二神经网络包括基于注意力机制的深度学习网络。采用本技术方案，能够从操作关联数据中自动快速精准且智能化地提取出目标操作特征，省事省力。

在基于操作特征提取网络对所述操作关联数据进行特征提取之前，还包括：获取样本操作数据，并确定与所述样本操作数据对应的期望操作特征；将所述样本操作数据输入至预先建立的第二神经网络中，得到模型输出特征；基于预设损失函数计算所述模型输出特征与所述期望操作特征之间的损失，基于所述损失调整所述第二神经网络的模型参数；在达到预设的训练结束条件的情况下，将所述第二神经网络作为操作特征提取网络。

其中，所述训练结束条件包括所述预设损失函数收敛，或者，所述第二神经网络的准确率达到预设准确率阈值，或者，训练迭代次数达到预设次数阈值等。所述第二神经网络的准确率可以通过多张测试操作数据对所述第二神经网络进行测试得到。

为了保证能够准确提取到操作关联数据的深度特征，在所述基于操作特征提取网络对所述操作关联数据进行特征提取之前，还可以包括：对所述操作关联数据进行预处理，基于预处理结果更新所述操作关联数据。这样设置的好处在于，通过对操作关联数据进行预处理，可更多地关注与违约风险相关的数据项，减少数据冗余项对预测结果的干扰。

其中，所述对所述操作关联数据进行预处理的方式可以有多种。示例性地，可以包括但不限于下述操作中的至少一项：对所述操作关联数据中的数据缺失项进行数据填充处理或数据删除处理；对所述操作关联数据进行数据过滤处理，以滤除所述操作关联数据中的干扰数据，其中，所述干扰数据至少包括冗余数据和/或预设类型的数据；对所述操作关联数据中的多项子数据进行融合处理；对所述操作关联数据进行数据提取，以提取出所述操作关联数据的关键数据，等。

S250、基于所述目标对象特征和所述目标操作特征确定与所述目标对象对应的服务违约风险。

具体地，将所述目标对象特征和所述目标操作特征进行特征融合，得到目标识别特征；将所述目标识别特征输入至风险预测模型中，基于所述风险预测模型的输出结果确定与所述目标对象对应的服务违约风险，其中，所述风险预测模型基于样本识别特征以及与所述样本识别特征对应的期望预测结果对预先建立的第三神经网络训练得到，所述第三神经网络包括基于注意力机制的深度学习网络。

可选地，将所述目标对象特征和所述目标操作特征进行特征融合，得到目标识别特征，包括：对所述目标对象特征和所述目标操作特征执行合并操作，得到目标识别特征。换言之，可以将所述目标对象特征和所述目标操作特征进行拼接，得到目标识别特征。

在将所述目标识别特征输入至风险预测模型中之前，还包括：获取样本识别特征，并确定与所述样本识别特征对应的期望预测结果；将所述样本识别特征输入至预先建立的第三神经网络中，得到模型输出特征；基于预设损失函数计算所述模型输出特征与所述期望预测结果之间的损失，基于所述损失调整所述第三神经网络的模型参数；在达到预设的训练结束条件的情况下，将所述第三神经网络作为风险预测模型。

其中，所述训练结束条件包括所述预设损失函数收敛，或者，所述第三神经网络的准确率达到预设准确率阈值，或者，训练迭代次数达到预设次数阈值等。所述第三神经网络的准确率可以通过多张测试识别特征对所述第三神经网络进行测试得到。

本技术方案，采用了基于注意力机制的神经网络模型，相较于普通的神经网络预测模型，注意力机制可以更多地关注有效信息，更少关注冗余信息，与预测结果强相关的特征权重值更大，而且结合操作关联数据与对象图像数据两个维度的特征数据进行了预测，使得预测结果更准确。

S260、基于所述服务违约风险确定与所述服务获取请求对应的服务响应数据。

本实施例的技术方案，通过对所述对象图像数据进行特征提取，得到目标对象特征，可以有效捕捉目标对象的图像特征；然后，通过对所述操作关联数据进行特征提取，得到目标操作特征，能够有效获得目标对象的操作特征；最后，通过基于所述目标对象特征和所述目标操作特征确定与所述目标对象对应的服务违约风险，能够综合对象图像数据和操作关联数据两个维度的特征，更为精准地确定出为目标对象提供目标服务的服务违约风险。

实施例三

图3是根据本发明实施例三提供的又一种服务响应方法的流程示意图。

如图3所示，本发明实施例的方法具体可包括：

S301、响应于服务获取请求，确定与所述服务获取请求对应的目标对象。

S302、获取所述目标对象的对象图像数据。

S303、对所述对象图像数据中所述目标对象的面部区域进行分割，得到目标面部图像；

S304、基于面部特征提取网络对所述目标面部图像进行特征提取，得到面部特征数据，其中，所述图像特征提取网络基于样本面部图像以及与所述样本面部图像对应的期望面部特征对预先建立的第四神经网络训练得到，所述第四神经网络包括基于注意力机制的深度学习网络。

其中，第四神经网络的训练方式与前述第一神经网络、第二神经网络好和第三神经网络的训练方式类似，在此不在赘述。

S305、获取所述目标对象的操作关联数据。

S306、对所述操作关联数据进行预处理，基于预处理结果更新所述操作关联数据。

S307、基于操作特征提取网络对所述操作关联数据进行特征提取，得到目标操作特征。

S308、将所述面部特征数据和所述目标操作特征进行特征融合，得到目标识别特征。

S309、将所述目标识别特征输入至风险预测模型中，基于所述风险预测模型的输出结果确定与所述目标对象对应的服务违约风险。

S310、基于所述服务违约风险确定与所述服务获取请求对应的服务响应数据。

本实施例的技术方案，采用了基于注意力机制的神经网络，相较于普通的神经网络预测模型，注意力机制可以更多地关注有效信息，更少关注冗余信息，与预测结果强相关的特征权重值更大，有利于提高预测准确率；结合了多个维度的信息，包括操作关联数据和图像，服务违约风险使得预测结果更为准确。

实施例四

图4为本发明实施例四提供的一种服务响应装置的结构示意图。如图4所示，该服务响应装置包括：服务请求模块410、风险预测模块420和服务响应模块430。

其中，服务请求模块410，用于响应于服务获取请求，确定与所述服务获取请求对应的目标对象；风险预测模块420，用于获取所述目标对象的对象关联数据，基于所述对象关联数据确定与所述目标对象对应的服务违约风险，其中，所述对象关联数据包括所述目标对象的对象图像数据和操作关联数据；服务响应模块430，用于基于所述服务违约风险确定与所述服务获取请求对应的服务响应数据。

本发明实施例的技术方案，首先，通过服务请求模块响应于服务获取请求，确定与所述服务获取请求对应的目标对象；然后通过风险预测模块获取所述目标对象的对象关联数据，基于所述对象关联数据确定与所述目标对象对应的服务违约风险，其中，所述对象关联数据包括所述目标对象的对象图像数据和操作关联数据；最后，通过服务响应模块基于所述服务违约风险确定与所述服务获取请求对应的服务响应数据。本技术方案，通过在接收到目标对象的服务获取请求之后，响应该服务获取请求之前，增加了对目标对象的服务违约风险进行预测的操作，解决了相关技术中服务链路存在风险，易影响信息安全的技术问题，且能够基于服务违约风险灵活地有针对性地响应服务获取请求，有效地提高了服务的安全性。

在本发明任一可选技术方案的基础上，可选的，风险预测模块420包括：对象特征提取单元、操作特征提取单元和违约风险确定单元。其中，所述对象特征提取单元，用于对所述对象图像数据进行特征提取，得到目标对象特征；所述操作特征提取单元，用于对所述操作关联数据进行特征提取，得到目标操作特征；所述违约风险确定单元，用于基于所述目标对象特征和所述目标操作特征确定与所述目标对象对应的服务违约风险。

在本发明任一可选技术方案的基础上，可选的，所述对象特征提取单元，具体用于：基于图像特征提取网络对所述对象图像数据进行特征提取，得到目标对象特征，其中，所述图像特征提取网络基于样本对象图像以及与所述样本对象图像对应的期望对象特征对预先建立的第一神经网络训练得到，其中，所述第一神经网络包括基于注意力机制的深度学习网络。

在本发明任一可选技术方案的基础上，可选的，所述对象图像数据至少包括所述目标对象的面部区域，所述目标对象特征包括面部特征数据。

进一步地，所述对象特征提取单元还可以包括图像分割子单元和面部特征提取子单元。其中，所述图像分割子单元，用于对所述对象图像数据中所述目标对象的面部区域进行分割，得到目标面部图像；所述面部特征提取子单元，用于对所述目标面部图像进行特征提取，得到所述目标对象的面部特征数据。

在本发明任一可选技术方案的基础上，可选的，所述操作特征提取单元，具体用于：基于操作特征提取网络对所述操作关联数据进行特征提取，得到目标操作特征，其中，所述操作特征提取网络基于样本识别特征以及与所述样本识别特征对应的期望操作特征对预先建立的第二神经网络训练得到，所述第二神经网络包括基于注意力机制的深度学习网络。

在本发明任一可选技术方案的基础上，可选的，所述服务响应装置还包括：数据预处理模块。其中，所述数据预处理模块，用于在所述基于操作特征提取网络对所述操作关联数据进行特征提取之前，对所述操作关联数据进行预处理，基于预处理结果更新所述操作关联数据。

在本发明任一可选技术方案的基础上，可选地，所述数据预处理模块可用于执行下述操作中的至少一项：

对所述操作关联数据中的数据缺失项进行数据填充处理或数据删除处理；

对所述操作关联数据进行数据过滤处理，以滤除所述操作关联数据中的干扰数据，其中，所述干扰数据至少包括冗余数据和/或预设类型的数据；

对所述操作关联数据中的多项子数据进行融合处理；

对所述操作关联数据进行数据提取，以提取出所述操作关联数据的关键数据。

在本发明任一可选技术方案的基础上，可选地，服务响应模块430包括特征融合单元和模型预测单元。其中，所述特征融合单元，用于将所述目标对象特征和所述目标操作特征进行特征融合，得到目标识别特征；所述模型预测单元，用于将所述目标识别特征输入至风险预测模型中，基于所述风险预测模型的输出结果确定与所述目标对象对应的服务违约风险，其中，所述风险预测模型基于样本识别特征以及与所述样本识别特征对应的期望预测结果对预先建立的第三神经网络训练得到，所述第三神经网络包括基于注意力机制的深度学习网络。

本发明实施例所提供的服务响应装置可执行本发明任意实施例所提供的服务响应方法，具备执行方法相应的功能模块和有益效果。

实施例五

图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如服务响应方法。

在一些实施例中，服务响应方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的服务响应方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行服务响应方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种服务响应方法，其特征在于，包括：

响应于服务获取请求，确定与所述服务获取请求对应的目标对象；

获取所述目标对象的对象关联数据，基于所述对象关联数据确定与所述目标对象对应的服务违约风险，其中，所述对象关联数据包括所述目标对象的对象图像数据和操作关联数据；

基于所述服务违约风险确定与所述服务获取请求对应的服务响应数据。

2.根据权利要求1所述的方法，其特征在于，所述基于所述对象关联数据确定与所述目标对象对应的服务违约风险，包括：

对所述对象图像数据进行特征提取，得到目标对象特征；

对所述操作关联数据进行特征提取，得到目标操作特征；

基于所述目标对象特征和所述目标操作特征确定与所述目标对象对应的服务违约风险。

3.根据权利要求2所述的方法，其特征在于，所述对所述对象图像数据进行特征提取，得到目标对象特征，包括：

基于图像特征提取网络对所述对象图像数据进行特征提取，得到目标对象特征，其中，所述图像特征提取网络基于样本对象图像以及与所述样本对象图像对应的期望对象特征对预先建立的第一神经网络训练得到，所述第一神经网络包括基于注意力机制的深度学习网络。

4.根据权利要求2所述的方法，其特征在于，所述对象图像数据至少包括所述目标对象的面部区域，所述目标对象特征包括面部特征数据；

所述对所述对象图像数据进行特征提取，得到目标对象特征，包括：

对所述对象图像数据中所述目标对象的面部区域进行分割，得到目标面部图像；

对所述目标面部图像进行特征提取，得到所述目标对象的面部特征数据。

5.根据权利要求2所述的方法，其特征在于，所述对所述操作关联数据进行特征提取，得到目标操作特征，包括：

基于操作特征提取网络对所述操作关联数据进行特征提取，得到目标操作特征，其中，所述操作特征提取网络基于样本识别特征以及与所述样本识别特征对应的期望操作特征对预先建立的第二神经网络训练得到，所述第二神经网络包括基于注意力机制的深度学习网络。

6.根据权利要求5所述的方法，其特征在于，在所述基于操作特征提取网络对所述操作关联数据进行特征提取之前，还包括：

对所述操作关联数据进行预处理，基于预处理结果更新所述操作关联数据，其中，所述对所述操作关联数据进行预处理，包括下述操作中的至少一项：

对所述操作关联数据中的数据缺失项进行数据填充处理或数据删除处理；

对所述操作关联数据进行数据过滤处理，以滤除所述操作关联数据中的干扰数据，其中，所述干扰数据至少包括冗余数据和/或预设类型的数据；

对所述操作关联数据中的多项子数据进行融合处理；

对所述操作关联数据进行数据提取，以提取出所述操作关联数据的关键数据。

7.根据权利要求2所述的方法，其特征在于，所述基于所述目标对象特征和所述目标操作特征确定与所述目标对象对应的服务违约风险，包括：

将所述目标对象特征和所述目标操作特征进行特征融合，得到目标识别特征；

将所述目标识别特征输入至风险预测模型中，基于所述风险预测模型的输出结果确定与所述目标对象对应的服务违约风险，其中，所述风险预测模型基于样本识别特征以及与所述样本识别特征对应的期望预测结果对预先建立的第三神经网络训练得到，所述第三神经网络包括基于注意力机制的深度学习网络。

8.一种服务响应装置，其特征在于，包括：

服务请求模块，用于响应于服务获取请求，确定与所述服务获取请求对应的目标对象；

风险预测模块，用于获取所述目标对象的对象关联数据，基于所述对象关联数据确定与所述目标对象对应的服务违约风险，其中，所述对象关联数据包括所述目标对象的对象图像数据和操作关联数据；

服务响应模块，用于基于所述服务违约风险确定与所述服务获取请求对应的服务响应数据。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的服务响应方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的服务响应方法。